Vol. 5 No. 3 (2022): October 2022
Artikel

IMPLEMENTASI JARINGAN SYARAF TIRUAN MENGGUNAKAN ALGORITMA BACKPROPAGATION DALAM MERAMALKAN KEBUTUHAN HANDSANITIZER DI PEMERINTAH KOTA MEDAN

PDF
  • Junaidi Junaidi,
  • Sartika Mandasari,
  • Yuni Franciska,
  • Agus Fahmi,
  • Rika Rosnelly
Junaidi Junaidi
Universitas Potensi Utama
Sartika Mandasari
Universitas Potensi Utama
Yuni Franciska
Universitas Potensi Utama
Agus Fahmi
Universitas Potensi Utama
Rika Rosnelly
Universitas Potensi Utama

Published 2022-10-30

How to Cite

IMPLEMENTASI JARINGAN SYARAF TIRUAN MENGGUNAKAN ALGORITMA BACKPROPAGATION DALAM MERAMALKAN KEBUTUHAN HANDSANITIZER DI PEMERINTAH KOTA MEDAN. (2022). JOURNAL OF SCIENCE AND SOCIAL RESEARCH, 5(3), 671-676. https://doi.org/10.54314/jssr.v5i3.1019

Abstract

Meningkatnya jumlah permintaan handsanitizer oleh operasi perangkat daerah (OPD) Pemerintah Kota Medan terjadi karena tuntutan kebutuhan menjaga kebersihan tangan dimasa pandemi. Hal ini berakibat pada melonjaknya kebutuhan pengadaan produk handsanitizer di Pemerintah Kota Medan tersebut. Untuk menyiasati peningkatan kebutuhan handsanitizer tersebut, maka pemasok produk perlu melakukan peramalan untuk meredam ketidakpastian yang akan muncul dari penyediaan produk tersebut. Penelitian ini dilakukan dengan menggunakan metode backpropagation pada jaringan syaraf tiruan untuk meramalkan kebutuhan produk tersebut. Pengolahan data hasil arsitektur jaringan syaraf tiruan dilakukan dengan mengunakan software Matlab 6.1.. Hasil penelitian ini menunjukkan bahwa pada bulan Januari hingga bulan Maret tahun 2022 sebaiknya di sediakan produk handsanitizer sebanyak 637, 642 dan 636 Pcs permasing-masing bulannya. Hasil peramalan ini menunjukkan nilai MSE setiap periode peramalan sebesar - 0.027, 0.066 dan -0.014. ketiga nilai MSE ini masih lebih kecil dari 10% sehingga hasil ramalan ini masih dapat dikatakan akurat.
PDF

Downloads

Download data is not yet available.

References

  1. A. B. H, A. Gunawan, A. Azlan, T. Ayu, and Y. Wijaya, “Peramalan Permintaan Ragum pada Tahun 2020 dan 2021 dengan Menggunakan Metode Time Series dan Causal,” Talent. Publ. Univ. Sumatera Utara, vol. 3, no. 2, 2020, doi: 10.32734/ee.v3i2.993.
  2. A. Sudarsono, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Bacpropagation (Studi Kasus di Kota,” J. Media Infotama, vol. 12, no. 1, pp. 61–69, 2016.
  3. Y. D. Lestari, “Jaringan syaraf tiruan untuk prediksi penjualan jamur menggunakan algoritma backropagation,” J. ISD, vol. 2, no. 1, pp. 40–46, 2017.
  4. ?. Makarova, E. Evstaf, V. Lapchenco, and P. Sabev, “Modelling tropospheric ozone variations using artificial neural networks : A case study on the Black Sea coast ( Russian Federation ),” Clean. Eng. Technol., vol. 5, pp. 1–9, 2021, doi: 10.1016/j.clet.2021.100293.
  5. N. S. Suhaimi, Z. Othman, and M. R. Yaakub, “Analyzing Prediction Performance between Wavelet Neural Network and Product-Unit Neural Network Analyzing Prediction Performance between Wavelet Neural Network and Product-Unit Neural Network,” J. Phys. Conf. Ser., 2020, doi: 10.1088/1742- 6596/1432/1/012081.
  6. D. Marlina and F. Arifin, “Predicting The Number of Tourists Based on Backpropagation Algorithm,” RESTI J. (System Eng. Inf. Technol., vol. 5, no. 3, pp. 439–445, 2021.
  7. W. Wang et al., “Research on Forecast Model Based on BP Neural Network Algorithm Research on Forecast Model Based on BP Neural Network Algorithm,” J. Phys. Conf. Ser., 2021, doi: 10.1088/1742-6596/1982/1/012065.
  8. R. Aulia, “Penerapan Metode Backpropagation Untuk Memprediksi Jumlah Kunjungan Wisatawan Berdasarkan Tingkat Hunian Hotel,” Jurteksi (Jurnal Teknol. dan Sist. Informasi), vol. IV, no. 2, pp. 1–8, 2018.

Most read articles by the same author(s)